[发明专利]基于特征筛选的锂电池寿命预测方法有效

专利信息
申请号: 202010579479.4 申请日: 2020-06-23
公开(公告)号: CN111832221B 公开(公告)日: 2023-09-26
发明(设计)人: 袁烨;马贵君;华丰;丁汉 申请(专利权)人: 华中科技大学无锡研究院
主分类号: G06F30/27 分类号: G06F30/27;G06F18/2113;G06F18/214;G06F18/27;G01R31/36;G01R31/367;G01R31/387;G01R31/392;G06F119/04
代理公司: 无锡市大为专利商标事务所(普通合伙) 32104 代理人: 曹祖良;屠志力
地址: 214174 江*** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 特征 筛选 锂电池 寿命 预测 方法
【权利要求书】:

1.一种基于特征筛选的锂电池寿命预测方法,其特征在于,包括以下步骤:

步骤S1,将采集的锂电池数据划分为训练集和测试集;训练集和测试集中均包括多个样本;

步骤S2,对训练集和测试集中的锂电池样本的前m个充放电循环中放电SOC进行两两不重复相减;m>20;

步骤S3,将每个锂电池的SOC相减结果求得方差,得到每个锂电池的特征;

步骤S4,将训练集中训练样本的特征和寿命输入到带有ARD的高斯过程回归模型进行模型训练;

步骤S5,将所述训练的模型的稀疏特征权重进行可视化;

步骤S6,将测试集中的样本的特征输入到训练模型中进行寿命预测;

步骤S2中,SOC的维度为500~1000;

步骤S3中,特征维度为训练集中k个训练样本的方差特征和寿命分别表示为Xtrain=[x1,x2,...,xk],Ytrain=[y1,y2,...,yk],其中第i个训练样本的特征xi表示为:

xi=[xi1,xi2,...,xiM]T

步骤S4包括:

步骤S4.1,高斯过程回归指有限个随机变量服从联合高斯分布f(x),其中第i个样本的寿命分布表示为:

其中xi和xj是任意两个锂电池样本,m(xi)是均值函数,k(xi,xj)是协方差函数,具体表示为:

m(xi)=E(f(xi))

k(xi,xj)=E[(m(xi)-f(xi))(m(xj)-f(xj))]

步骤SS4.2,设置m(xi)为0,k(xi,xj)选用Matérn(v=5/2)核函数,带有ARD功能的Matérn核函数具体表示为:

其中lp为第p个特征的长度表示,σc是一个超参数;

步骤S4.3,对于真实的应用场景,真实的寿命yi是预测寿命与高斯噪声εi的和:

即所有样本服从:

其中K(Xtrain,Xtrain)=k(xi,xj)k×k,IN为单位矩阵,经过训练与极大似然估计,得到参数[σc,lp,σn]值;

步骤S5包括:

步骤S5.1,特征权重计算公式如下:

步骤5.2,将所有特征权重进行最大最小归一化;

步骤S6包括:

步骤S6.1,得到训练样本和测试样本的联合分布:

其中Y*为测试集中测试样本的寿命,X*为测试样本的特征;

步骤S6.2,测试样本的寿命Y*的后验分布:

其中是预测的测试样本的寿命的均值;

是预测的协方差:

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于华中科技大学无锡研究院,未经华中科技大学无锡研究院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010579479.4/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top